基于贝叶斯最小风险的癫痫脑电自动检测算法

提出一种新的不平衡分类算法,基于增减序列合并周期分割算法提取时域特征,引入随机映射优化了旋转森林的计算效率,进而计算基于海林格距离的贝叶斯最小风险来给出测试样本标签。该算法在1 s片段上得到了90.66%灵敏性,92.52%特异性,◢F◣2分数为0.9055,并且检出了98.56%的癫痫发作,检测延迟为1.32 s,在不平衡的癫痫脑电数据集上表现出了良好的性能,对于癫痫辅助诊断有着极大的临床意义。     

基于周期分割的睡眠自动分期研究

为实现高效的自动睡眠分期，提出一种基于周期分割的时域信号处理方法，采用合并增减序列方法对三个通道多导睡眠图记录（2路脑电，1路眼电）进行周期分割，根据信号波形的周期标记睡眠各期的特征波形，提取特征波形在每一帧数据的时长占比与平均幅值作为特征。双向长短时记忆网络（Bi-directional Long Short-Term Memory，Bi-LSTM）作为分类器，解决传统机器学习方法无法利用睡眠数据时间上下文信息的缺点。对42?699个样本使用交叉验证方法得到了84.8%的平均准确率，实验结果表明合并增减序列方法可以降低脑电信号分析的复杂度，是一种有效的时域信号处理方法，双向长短时记忆网络可以有效提高睡眠分期准确率，具有良好的应用前景。     

基于深度卷积神经网络的快速图像分类算法

为了应对大量图像的分类问题,提出一种基于深度卷积神经网络和CUDA-cuDNN并行运算的快速图像分类方法。该方法利用深度卷积神经网络自动学习特征的优势来解决手工设计特征普适性差等问题,同时结合基于CUDA架构的cuDNN并行运算策略来提高训练速度和加快分类速度,并且针对深度卷积神经网络易受参数扰动等缺点,引入批量正则化（Batch Normalization）以提高算法的鲁棒性。实验结果表明,该方法不仅大幅缩短了训练时间同时加快了图像的分类速度,而且进一步降低了图像分类的错误率。     

基于改进的卷积神经网络脑电信号情感识别

针对传统机器学习需要人工构建特征及特征质量较低等问题,提出一种新颖的基于一维卷积神经网络（Convolutional Neural Network,CNN）的特征提取方法。采用编码思想,由卷积层和下采样层构成编码器网络提取脑电信号情感特征,随后与特征图一起输入Leaky ReLU激活函数。对于卷积预训练过程,使用交叉熵和正则化项双目标优化损失函数,之后采用随机森林分类器以获得情感分类标签。在国际公开数据集SEED上进行实验,达到94.7%的情感分类准确率,实验结果表明了该方法的有效性和鲁棒性。     

基于DMD-LSTM模型的股票价格时间序列预测研究

针对股票市场关系复杂导致的有效特征提取困难、价格预测精度低等问题,提出一种基于动态模态分解—长短期记忆神经网络（DMD-LSTM）的股票价格时间序列预测方法。首先通过DMD算法对受市场板块联动效应影响的关联行业板块样本股数据进行分解计算,提取包含整体市场和特定股票走势变化信息的模态特征;然后针对不同市场背景,采用LSTM网络对基本面数据和模态特征进行价格建模预测。在鞍钢股份（SH000898）上的实验结果表明,该方法相较于传统预测方法,在特定的市场背景下能实现更高的价格预测精度,更为准确地描述股票价格的变化规律。